Mejor LLM local para ciberseguridad (oct. 2026)

El mejor LLM local para ciberseguridad depende de la tarea y del hardware que tengas. A octubre de 2026, Qwen3.5 9B es el modelo pequeño más sólido para el triaje de alertas, Foundation-Sec-8B-Reasoning lidera en su tamaño en conocimiento de inteligencia de amenazas, y Qwen 3.6 35B A3B es el modelo agéntico de seguridad más capaz que todavía puede ejecutarse en local. GLM-5.3 y Kimi K3 lideran en general, pero necesitan un clúster.

Esta es la edición de octubre de 2026. Cada resultado se leyó en su fuente el 30 de octubre de 2026 e indica quién lo midió. Aquí, un LLM local es un modelo de pesos abiertos que ejecutas en hardware que controlas: tus propios servidores, tu propia nube o una red sin ninguna conexión a internet.

¿Cuál es el mejor LLM local para ciberseguridad?

La tabla recoge una opción por tarea, con el resultado que la justifica y quién lo midió.

Los tres modelos pequeños cubren la mayor parte del trabajo defensivo diario. Los dos grandes son la frontera abierta, y piden hardware de frontera.

Qwen3.5 9B para el triaje de alertas. En Alert-Bench (arXiv, 7 de octubre de 2026), Qwen3.5 9B obtuvo un F1 de 0,952 sobre 300 alertas reproducidas en un SIEM en vivo, el mismo resultado que GPT-4.1 con esas alertas y el mismo protocolo de investigación. El modelo se usó tal como se publicó, sin entrenamiento. El protocolo pesó tanto como el modelo: otros cuatro modelos abiertos de la misma prueba obtuvieron entre 0,098 y 0,777. Nuestro artículo IA para analistas SOC explica la prueba y su coste por alerta.

Foundation-Sec-8B-Reasoning para inteligencia de amenazas. El equipo Foundation AI de Cisco lo construyó sobre Llama 3.1 8B y lo publicó el 28 de enero de 2026. Según su ficha, obtiene 0,691 en CTI-MCQA, una prueba de 2.500 preguntas de inteligencia de amenazas, frente a 0,688 de GPT-5-Nano, y 0,753 en CTI-RCM, que asigna descripciones de vulnerabilidades a clases de debilidad CWE, frente a 0,672. Sus datos de entrenamiento terminan el 10 de abril de 2025, así que no conoce vulnerabilidades más recientes salvo que le des el contexto.

Qwen 3.6 35B A3B para trabajo agéntico de seguridad. En un benchmark privado con diez vulnerabilidades web reales y no publicadas (Dual Use, 17 de abril de 2026), el autor consideró este modelo "al alcance para ejecutarse en local" y "sorprendentemente eficaz": completó un escenario que ni GLM 5.1 ni Claude Opus 4.6 completaron. Activa unos 3.000 millones de sus 35.000 millones de parámetros por token, lo que lo hace rápido para su tamaño. El benchmark es de un solo investigador, con diez escenarios ejecutados una vez cada uno, así que tómalo como una señal fuerte y pruébalo en tus propios sistemas.

GLM-5.3 y Kimi K3 para el trabajo más difícil. Estos dos lideran los modelos abiertos en CyberGym y están al nivel de los mejores modelos cerrados en esa prueba. Son modelos de mezcla de expertos con unos 750.000 millones y 2,8 billones de parámetros en total, así que "local" significa un clúster de varias GPU en tu propio centro de datos o en tu propia nube. Nuestro análisis de los benchmarks de GLM-5.3 y Kimi K3 detalla quién midió qué.

¿Por qué ejecutar un LLM de ciberseguridad en local?

Los datos de seguridad son los más sensibles que guardan la mayoría de las organizaciones, y un modelo local los mantiene dentro de tu entorno. Destacan tres motivos.

Los datos del ataque y las credenciales se quedan en tu entorno. Cuando Hugging Face investigó su intrusión de julio de 2026, su primer intento usó modelos de frontera a través de API comerciales. Las peticiones quedaron bloqueadas por las salvaguardas de los proveedores, que no distinguen a quien responde a un incidente de un atacante. El equipo hizo el análisis forense con el modelo de pesos abiertos GLM-5.2 en su propia infraestructura, y ningún dato del atacante ni ninguna de las credenciales mencionadas salió de su entorno.

El modelo está listo antes del incidente. La lección de Hugging Face para los defensores fue tener un modelo capaz, verificado y listo en tu propia infraestructura antes de un incidente, tanto para evitar quedarte bloqueado por las salvaguardas como para que los datos y credenciales del atacante no salgan de tu entorno.

Puedes responder a las preguntas de reguladores y auditores. La ASD australiana, en Opportunities for AI in cyber defence (8 de septiembre de 2026), pide a las organizaciones que pregunten a cada proveedor de IA qué datos se conservan, se reutilizan o se usan para reentrenar modelos, y en qué condiciones. Con un modelo en tu propio hardware, la respuesta está en tus manos. La misma guía pide una capacidad del modelo acorde con los requisitos y el valor del caso de uso, que es el argumento a favor de un modelo del tamaño adecuado para una tarea definida.

¿Se puede ejecutar un LLM de ciberseguridad en una red aislada (air-gapped)?

Sí. Un modelo de pesos abiertos es un conjunto de archivos, así que, una vez copiados los pesos, funciona sin conexión de red: ninguna llamada a API sale de la red y ningún servidor de licencias tiene que responder. Los cinco modelos de la tabla pueden ejecutarse en una red aislada. El trabajo pasa al lado operativo: introducir las actualizaciones de pesos mediante tus controles de transferencia habituales, registrar de dónde vienen los pesos y servirlos en hardware dentro del perímetro. La guía de la ASD también pide a los defensores que mapeen las fuentes de datos de entrenamiento y ajuste fino para evaluar su procedencia, su retención y su exposición al envenenamiento, algo que se aplica a cualquier modelo que sigas entrenando con tus propios datos.

¿Basta un modelo local para el trabajo de un SOC?

Para tareas definidas dentro de un buen entorno de trabajo, sí, y la evidencia es más sólida en el triaje de alertas. Alert-Bench muestra un modelo de 9B al nivel de GPT-4.1, y los autores señalan que el tamaño del modelo por sí solo no explica el orden: el modelo Qwen de 9B superó a modelos de 70B y 120B con el mismo protocolo. Elegir juntos el modelo y el entorno es el trabajo.

La frontera sigue por delante en dos tipos de trabajo:

Para esas tareas, un modelo local puede redactar y un modelo de frontera o un analista puede verificar. El artículo de CTI-REALM, de Microsoft Security AI, evaluó 16 modelos, todos de Anthropic y OpenAI, así que todavía no existe ningún resultado de modelos abiertos; consulta nuestra explicación de CTI-REALM.

¿Cómo elegir un LLM local para tu equipo de seguridad?

Empieza por la tarea y llega al modelo:

1. Define la tarea y su medida. El triaje de alertas se juzga por la detección de alertas de ataque y la tasa de escalado; el mapeo de CVE a CWE, por la precisión frente a un conjunto etiquetado.
2. Elige el modelo más pequeño que cumpla tu listón. Empieza por las opciones de 8B y 9B, y sube al modelo de 35B para trabajo agéntico.
3. Pruébalo con tus propios datos. Evalúalo con unos cientos de tus propias alertas o informes etiquetados antes de fiarte de cualquier cifra pública.
4. Mantén una vía de escalado. Envía los casos difíciles a un analista o a un modelo de frontera, y registra lo que se escala.
5. Entrénalo cuando la tarea sea estable. Un modelo entrenado con las decisiones de tu equipo aprende tu mezcla de alertas y tus criterios; consulta LLM de dominio específico para ver en qué se diferencia de un modelo general.

Para la comparación general entre modelos abiertos y de frontera, consulta modelos open-weight vs frontier. Sobre las opciones de despliegue, consulta IA on-premise vs autoalojada vs air-gapped.

Ejecuta estos modelos con tus propios datos de seguridad

Ejecuta Qwen3.5 9B, Qwen 3.6 35B A3B, GLM-5.3 o Kimi K3 para tu equipo de seguridad en tu propia infraestructura, en tu nube o en tus instalaciones, o gestionado por Ertas en infraestructura que operamos nosotros. Tus datos siguen siendo privados, los costes de uso se vuelven más predecibles que una factura de API de frontera que crece con el volumen de alertas, y el modelo está listo antes de un incidente para el trabajo forense con datos de ataques reales. Alojamos modelos para trabajo defensivo: triaje, inteligencia de amenazas, análisis de malware y detección.

Un modelo entrenado con tus propias alertas y las decisiones de tus analistas va más allá que uno sin entrenar, y eso es lo que hace nuestro endpoint. El endpoint es actualmente solo por invitación, y estamos desarrollando una versión más sencilla para un acceso más amplio.

Reserva una llamada y definiremos contigo el modelo, el tamaño y el despliegue adecuados para tu equipo.

Preguntas Frecuentes

¿Puedo ejecutar un LLM de ciberseguridad sin conexión?

Sí. Los modelos de pesos abiertos como Qwen3.5 9B y Foundation-Sec-8B-Reasoning funcionan sin conexión a internet una vez que los pesos están en tu hardware. Eso encaja con las redes aisladas y mantiene los datos de alertas dentro de tu entorno.

¿Cuál es el mejor LLM de código abierto para ciberseguridad?

Depende de la tarea. A octubre de 2026, Kimi K3 y GLM-5.3 lideran en general en CyberGym, pero necesitan un clúster, mientras que Qwen3.5 9B lidera entre los modelos pequeños en triaje de alertas. Nuestra lista del mejor LLM para ciberseguridad clasifica modelos abiertos y cerrados por tarea.

¿Sigue mereciendo la pena Foundation-Sec-8B?

Para tareas de conocimiento de inteligencia de amenazas con un modelo pequeño, sí: su versión de razonamiento supera a GPT-5-Nano en el mapeo de CVE a CWE según la ficha de Cisco. Sus datos de entrenamiento terminan en abril de 2025, así que combínalo con la recuperación de avisos actuales.

¿Necesita entrenamiento un modelo local para el trabajo de un SOC?

Puede funcionar sin entrenar: Qwen3.5 9B igualó a GPT-4.1 en Alert-Bench sin entrenamiento. Entrenarlo con tus propias alertas etiquetadas lo adapta a tu mezcla de alertas y a las decisiones de tus analistas, y permite que las instrucciones que repites en cada prompt vivan en el propio modelo.

---

Fuentes, consultadas el 30 de octubre de 2026: Tsegai et al., "From Investigation Failures to Reliable SOC Agents" (Alert-Bench, 7 de octubre de 2026); Cisco Foundation AI, ficha de Foundation-Sec-8B-Reasoning; Dual Use, "Benchmarking open-weight models for security research" (17 de abril de 2026); Proximal, "Robustly Evaluating Cyber Capabilities" (30 de septiembre de 2026); Z.ai, ficha de GLM-5.3; Moonshot AI, ficha de Kimi K3; Hugging Face, "Security incident, July 2026" (16 de julio de 2026); Australian Signals Directorate, "Opportunities for AI in cyber defence" (8 de septiembre de 2026); Microsoft, "CTI-REALM" (marzo de 2026).